Ml Models
PulseAugur coverage of Ml Models — every cluster mentioning Ml Models across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的GEG算法增强了多类别AI分类的公平性
研究人员开发了一种名为通用指数梯度（GEG）的新算法，以提高AI分类任务中的公平性。这种过程内算法专门解决了多类别分类这一研究不足的领域，将其视为一个多目标问题，在预测正确性与公平性约束之间取得平衡。广泛的实证评估表明，GEG在各种数据集和公平性定义上优于其他六种算法。
-
ART-HPO框架通过自适应随机测试降低机器学习模型调优成本
一个名为ART-HPO的新框架旨在降低调整机器学习模型相关的成本和时间。它采用自适应随机测试来高效地发现最优超参数，从而节省大量的计算资源。
-
深度学习模型在股市分析中表现不如更简单的AI
一项最新研究项目使用10年的苹果公司股票数据，比较了量化金融策略的三个不同时代——基于规则、经典机器学习和深度学习。令人惊讶的是，最复杂的深度学习模型，一种类似于驱动ChatGPT的Transformer架构，在所有指标上的表现最差。一款1990年代的Random Forest模型实现了最佳的风险调整后回报，这表明市场噪音和过拟合会阻碍高度复杂模型在金融应用中的表现。
-
数据投毒成为对AI模型日益增长的威胁
数据投毒对人工智能系统构成了重大且不断升级的风险。恶意行为者采用先进的方法，通过在训练集中引入有害数据来巧妙地破坏机器学习模型。虽然检测这种被投毒的数据很困难，但确实是可能的。
-
数据粒度对机器学习模型的悄然影响
用于训练机器学习模型的数据粒度会显著影响其性能和提供的见解。数据粒度的细微变化可能导致错觉而非真正的见解，这凸显了数据预处理在 MLOps 中的关键作用。理解和管理数据粒度对于确保机器学习模型的准确性和可靠性至关重要。
-
机器学习模型可解释性需求随复杂性增长
机器学习模型的复杂性日益增加，导致对可解释性的需求日益增长，可解释性是指人类理解模型决策背后原因的能力。这种日益增长的需求是由这些模型在各种决策过程中扮演的关键角色所驱动的。
-
合成数据测试可防止因架构更改而导致的 ML 模型静默故障
数据库架构更改会通过更改数据格式或列名来悄悄破坏机器学习模型，从而导致错误的特征计算和模型性能下降。一个常见的问题涉及重命名列，在这种情况下，管道可能会默认缺少数据为零值，导致模型误解新用户。为防止这些静默故障，可以实施合成架构测试框架。该框架生成模拟生产架构的合成数据库，允许在迁移影响实时数据之前针对 ML 管道对其进行测试。